Hướng dẫn Prompt Veo 3.1: Viết Prompt Thực Sự Hiệu Quả

Một prompt Veo 3.1 là đoạn mô tả cảnh ngắn nhằm hướng dẫn mô hình video của Google quay cái gì và quay như thế nào. Các mô hình xử lý văn bản của bạn giống như một bản tóm tắt của đạo diễn: chúng phân tích chủ thể, hành động, phong cách, chuyển động camera, bố cục, lựa chọn ống kính và ánh sáng, sau đó tự bù đắp những phần bạn không chỉ định bằng dự đoán của riêng mình. Viết prompt tốt phần lớn là để lại ít thứ phải đoán nhất có thể.

Nói ngắn gọn, nếu bạn chỉ đọc một đoạn văn: hãy mô tả một chủ thể thực hiện một hành động, sau đó thêm yếu tố camera. Một mẫu hoạt động tốt là "[loại cảnh quay] của [chủ thể] [đang thực hiện hành động] tại [bối cảnh], [chuyển động camera], [ống kính hoặc tiêu cự], [ánh sáng và tâm trạng]". Thói quen duy nhất đó—thêm camera và ánh sáng—sẽ thu hẹp phần lớn khoảng cách giữa một clip nhàm chán và một clip có thể sử dụng được. Mọi thứ dưới đây là chi tiết và minh chứng.

Tôi đã chạy Veo 3.1 hàng ngày trên BananaBanana kể từ khi chúng tôi ra mắt tính năng tạo video, và sự khác biệt giữa một prompt viết sơ sài và một prompt có cấu trúc ở đây lớn hơn bất kỳ mô hình hình ảnh nào tôi từng sử dụng. Hình ảnh có thể bỏ qua sự mơ hồ. Còn video sẽ trừng phạt sự mơ hồ đó hai lần, một lần trong khung hình và một lần trong chuyển động.

Điều gì tạo nên một prompt Veo 3.1 tốt?

Theo tài liệu hướng dẫn Veo của Google, một prompt mạnh mẽ bao gồm bảy yếu tố: chủ thể, hành động, phong cách, vị trí camera, bố cục, hiệu ứng lấy nét và ống kính, và không khí xung quanh. Bạn không cần phải có cả bảy yếu tố này mọi lúc. Nhưng bạn cần biết mình đang bỏ qua những yếu tố nào, vì mô hình sẽ tự ứng biến phần còn lại.

Thứ tự ít quan trọng hơn mọi người nghĩ. Tôi thường đưa chủ thể và hành động lên đầu vì đó là những gì mô hình sẽ bám vào, sau đó xếp camera và ánh sáng ở phía sau. Điều quan trọng hơn là sự cụ thể: "một con ngựa" sẽ khiến mô hình phải phân vân ngẫu nhiên giữa bốn mươi giống ngựa khác nhau, trong khi "một con ngựa Ả Rập màu hồng sẫm" thì không.

Một lưu ý thực tế. Veo 3.1 có một công cụ tự động viết lại prompt (prompt rewriter) từ phía Google giúp mở rộng các prompt ngắn trước khi tạo, và bạn không thể thấy hoàn toàn những gì nó đã thêm vào. Các prompt ngắn đôi khi trả về kết quả với các chi tiết bạn chưa từng yêu cầu. Việc tự viết chi tiết là cách bạn tước đi quyền quyết định đó từ công cụ viết lại.

Làm thế nào để điều khiển camera trong Veo 3.1?

Ngôn ngữ camera là phần có sức ảnh hưởng lớn nhất trong prompt Veo 3.1, và đó cũng là phần mà hầu hết mọi người thường bỏ qua. Mô hình hiểu các thuật ngữ điện ảnh tiêu chuẩn, vì vậy hãy sử dụng chúng một cách chính xác.

Đối với vị trí: góc quay từ trên cao (aerial view), ngang tầm mắt (eye-level), quay góc thấp (low-angle shot), quay từ trên xuống (top-down shot), quay qua vai (over-the-shoulder). Đối với chuyển động: tịnh tiến camera vào hoặc ra (dolly in or out), quay bám theo (tracking shot), quét trái hoặc phải (pan left or right), chếch lên (tilt up), thu phóng chậm (slow zoom), quay góc nhìn thứ nhất (POV shot). Đối với bố cục khung hình: cực cận cảnh (extreme close-up), cận cảnh (close-up), trung cảnh (medium shot), toàn cảnh (wide shot), cảnh toàn thiết lập (establishing shot). Đối với quang học: lấy nét nông (shallow focus), lấy nét sâu (deep focus), ống kính macro (macro lens), ống kính góc rộng (wide-angle lens), lấy nét mềm (soft focus).

Hai quy tắc thực tế rút ra từ quá trình tạo video của chúng tôi. Đầu tiên, chỉ một chuyển động camera cho mỗi clip. Một prompt yêu cầu "một cú lia máy (pan) chuyển thành tịnh tiến vào (dolly-in) rồi chếch lên (tilt up)" thường sẽ chỉ mang lại cho bạn một trong ba chuyển động đó được chọn ngẫu nhiên, hoặc một sự pha trộn mờ nhạt. Các clip dài từ 4 đến 8 giây; chỉ đủ thời gian cho một chuyển động được thực hiện tốt. Thứ hai, các động từ chỉ chuyển động sẽ lấn át các danh từ chỉ camera khi xảy ra xung đột. Nếu chủ thể của bạn "chạy nước rút" nhưng camera lại ở chế độ "static wide shot" (toàn cảnh tĩnh), hãy chuẩn bị tinh thần rằng mô hình sẽ ưu tiên hành động chạy nước rút và vẫn dịch chuyển camera. Hãy làm cho chúng đồng nhất với nhau.

Ánh sáng cũng hoạt động theo cách tương tự: hãy gọi tên nó như một nhà quay phim chuyên nghiệp. Các cụm từ như "Golden hour backlight" (ngược sáng giờ vàng), "cool blue moonlight" (ánh trăng xanh dịu mát), "harsh overhead fluorescent" (ánh sáng huỳnh quang gay gắt từ trên cao), "flickering torchlight" (ánh đuốc bập bùng) đều mang lại hiệu quả rõ rệt. Những từ mô tả tâm trạng mơ hồ như "beautiful lighting" (ánh sáng đẹp) sẽ không mang lại kết quả nào.

Trước và sau: cùng một ý tưởng, hai prompt khác nhau

Trăm nghe không bằng một thấy, dưới đây là cùng một cảnh được tạo hai lần bằng Veo 3.1 Fast trên BananaBanana, không âm thanh, 6 giây, 720p. Tổng chi phí cho cả hai bản demo: khoảng $1.

Đầu tiên là prompt mà ai cũng sẽ viết trong ngày đầu tiên. Chỉ đơn giản là "A horse running on a beach":

Nó cũng tạm ổn. Lưu ý rằng mô hình đã tự động chọn cảnh hoàng hôn; đó chính là công cụ viết lại prompt đang quyết định thay bạn. Bố cục vẫn là một cú quay toàn cảnh từ xa, camera không hề chuyển động rõ ràng, và không có yếu tố nào trong số đó là do bạn lựa chọn. Bây giờ, cùng một ý tưởng đó được viết lại với cấu trúc bảy yếu tố: "A chestnut Arabian horse gallops along wet sand at golden hour, kicking up spray of seawater with its hooves, low-angle tracking shot moving alongside the horse, shallow depth of field, warm backlit rim light from the setting sun":

Cùng một chủ thể, cùng một mô hình, cùng một mức giá. Clip thứ hai có chuyển động camera rõ ràng, hướng ánh sáng đồng nhất và các tia nước bắt sáng ngược, tất cả đều nhờ vào các từ ngữ cụ thể trong prompt chứ không phải do may mắn.

Một bài học từ việc thực hiện bản demo này đã khiến tôi phải tạo lại hai lần: phiên bản trước đó của prompt kết thúc bằng cụm từ "cinematic 35mm look", và Veo đã hiểu tham chiếu phim đó theo nghĩa đen, tạo ra các thanh đen viền màn hình (letterbox) nhúng thẳng vào khung hình. Hai lần liên tiếp. Các từ chỉ phong cách như "35mm", "anamorphic" hoặc "cinematic film look" có thể kéo theo toàn bộ giao diện màn hình rộng, bao gồm cả các thanh đen đó. Nếu bạn muốn có được không khí đó mà không có các thanh đen, hãy mô tả trực tiếp ánh sáng và hiệu ứng của ống kính, đồng thời bỏ qua các thuật ngữ về loại phim.

Nếu bạn bắt đầu từ một bức ảnh thay vì văn bản, cơ chế sẽ thay đổi một chút (hình ảnh của bạn sẽ khóa khung hình đầu tiên và prompt chỉ mô tả chuyển động). Chúng tôi đã đề cập riêng đến quy trình làm việc đó trong hướng dẫn chuyển hình ảnh thành video.

Làm thế nào để viết prompt âm thanh trong Veo 3.1?

Veo 3.1 tạo ra âm thanh gốc, và theo tài liệu của Google, tính năng này luôn được bật trong API: hội thoại, hiệu ứng âm thanh và tiếng ồn môi trường xung quanh, đồng bộ hóa với hình ảnh. Bạn điều khiển từng yếu tố bằng một quy ước viết văn bản khác nhau.

• Hội thoại được đặt trong dấu ngoặc kép, gắn với một người nói: Một người đàn ông lầm bầm, "This must be it." (Chắc chắn là đây rồi.)
• Hiệu ứng âm thanh được mô tả dưới dạng sự kiện: "tires screeching" (tiếng lốp xe rít), "waves crashing against rocks" (sóng vỗ vào vách đá).
• Tiếng ồn môi trường được mô tả dưới dạng bầu không khí: "faint hum of fluorescent lights" (tiếng vo ve nhỏ của đèn huỳnh quang), "distant seagulls" (tiếng hải âu xa xăm).

Prompt ví dụ của chính Google thể hiện mô thức này: "A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it.'" Phần hội thoại trong ngoặc kép sẽ tạo ra giọng nói đồng bộ với khẩu hình miệng (lip-sync), còn từ "flickering" (bập bùng) kết hợp với "torchlight" (ánh đuốc) sẽ định hình âm thanh nền của căn phòng.

Hãy giữ cho các câu thoại ngắn gọn. Trong các thử nghiệm của chúng tôi, bất kỳ câu thoại nào dài hơn khoảng một tá từ đều có nguy cơ bị cắt mất phần đuôi hoặc bị nói quá nhanh trong một clip dài 8 giây. Và chỉ nên viết thoại cho một hoặc hai người nói, không viết cho một đám đông; các giọng nói chồng chéo lên nhau sẽ bị lẫn tạp âm và không rõ ràng.

Trên BananaBanana, âm thanh là một nút bật tắt và có mức giá riêng vì Google tính phí riêng cho phần này: một clip Veo 3.1 Fast dài 8 giây có giá $0.70 không âm thanh hoặc $1.00 có âm thanh ở độ phân giải 720p hoặc 1080p. Các bản demo ở trên được cố ý để không có âm thanh, đây là một lựa chọn tiết kiệm ngân sách thực tế khi một clip dù sao cũng được thiết kế để tự động phát tắt tiếng. (Nếu bạn muốn có âm thanh trên mọi clip theo mặc định, mô hình Omni Flash sẽ có cách tiếp cận ngược lại: âm thanh luôn được bật, giá $0.10 mỗi giây.)

Prompt phủ định, thời lượng và chi phí của Veo 3.1

Tình hình về prompt phủ định thực sự gây bối rối, vì vậy đây là những gì chúng tôi ghi nhận được từ phía API. Tài liệu Gemini API cho Veo 3.1 không ghi nhận tham số prompt phủ định. Tuy nhiên, điểm cuối Vertex AI mà BananaBanana đang vận hành có chấp nhận negativePrompt, và trong quá trình tạo video của chúng tôi, nó định hướng đầu ra một cách rõ rệt. Do đó, trường này có tồn tại trên trình tạo của chúng tôi và hoạt động tốt; chỉ là đừng mong đợi nó hoạt động như một bộ lọc tuyệt đối.

Viết prompt phủ định có một quy tắc trái ngược với suy nghĩ thông thường rút ra từ hướng dẫn viết prompt của Google: không bao giờ viết từ "no" hoặc "don't" trong trường phủ định. Hãy liệt kê những thứ không mong muốn dưới dạng danh từ thuần túy. Ví dụ "Cartoon, low quality, text overlay, watermark" sẽ hoạt động hiệu quả; còn "no cartoons" có thể phản tác dụng vì từ "cartoon" vẫn xuất hiện trong ngữ cảnh.

Thời lượng và định dạng, theo tài liệu của Google và cấu hình hệ thống của chúng tôi: các clip dài 4, 6, 7 hoặc 8 giây ở tỷ lệ khung hình 16:9 hoặc 9:16, với đầu ra chất lượng 720p, 1080p và 4K. Thời lượng 8 giây là bắt buộc đối với chất lượng 1080p, 4K, hình ảnh tham chiếu và tính năng mở rộng (extension). Mở rộng là tính năng ẩn cực kỳ mạnh mẽ của Veo: mỗi yêu cầu sẽ cộng thêm 7 giây, tối đa lên tới 20 lần, đó là cách bạn có thể tạo ra video dài hơn hai phút chỉ từ một chuỗi prompt.

Bảng giá hiện tại trên BananaBanana cho một clip chất lượng 720p dài 8 giây:

Một clip Lite không âm thanh dài 4 giây có giá $0.10, và số dư miễn phí mà mỗi tài khoản mới nhận được đủ cho hai clip như vậy. Vì vậy, video Veo đầu tiên của bạn sẽ không tốn xu nào, và thực tế là Lite ở độ phân giải 720p đã đủ tốt để bạn làm quen với cấu trúc prompt trước khi chi tiêu thực tế cho bản Fast hoặc mô hình đầy đủ. Bảng giá đầy đủ có tại trang giá cả.

Quy trình làm việc mặc định của tôi: soạn thảo prompt trên phiên bản Lite, lặp lại thử nghiệm cho đến khi chuyển động và khung hình ổn định, sau đó chạy lại prompt hoàn chỉnh một lần trên phiên bản Fast hoặc Veo 3.1. Chất lượng prompt được chuyển giao giữa các phiên bản gần như hoàn hảo; chất lượng kết xuất (render) mới là thứ bạn đang trả tiền để sở hữu.

FAQ

Cấu trúc prompt tốt nhất cho Veo 3.1 là gì?

Chủ thể, hành động, phong cách, camera, bố cục, ống kính, không khí xung quanh, theo thứ tự tương đối như vậy. Một mẫu ngắn gọn: "[loại cảnh quay] của [chủ thể] [hành động] tại [bối cảnh], [chuyển động camera], [ống kính], [ánh sáng]". Danh từ cụ thể sẽ tốt hơn tính từ, và một chuyển động camera cho mỗi clip sẽ tốt hơn ba chuyển động cùng lúc.

Veo 3.1 có hỗ trợ prompt phủ định không?

Trên Vertex AI thì có: tham số negativePrompt được chấp nhận và hoạt động tốt, mặc dù tài liệu Gemini API không liệt kê tham số này cho Veo 3.1. Hãy viết các từ phủ định dưới dạng danh từ thuần túy ("cartoon, blurry, watermark"), đừng bao giờ viết dưới dạng câu mệnh lệnh "no X".

Làm cách nào để yêu cầu Veo 3.1 tạo giọng nói?

Hãy đặt câu thoại trong dấu ngoặc kép và gắn nó với một người nói bên trong prompt: Một người phụ nữ thì thầm, "We're not alone." Veo đồng bộ khẩu hình môi tốt với các câu thoại ngắn; hãy giữ câu thoại dưới khoảng một tá từ cho mỗi clip.

Một video Veo 3.1 có thể dài bao lâu?

Các clip gốc dài từ 4 đến 8 giây. Với tính năng mở rộng (thêm 7 giây cho mỗi yêu cầu, tối đa 20 lần mở rộng theo tài liệu của Google), một chuỗi video đơn lẻ có thể đạt thời lượng 148 giây ở độ phân giải 720p.

Một video Veo 3.1 có giá bao nhiêu?

Trên BananaBanana, chi phí dao động từ $0.10 (clip Veo 3.1 Lite không âm thanh dài 4 giây ở độ phân giải 720p) đến $4.40 (clip Veo 3.1 có âm thanh dài 8 giây ở độ phân giải 4K). Lựa chọn mặc định tầm trung, một clip Fast không âm thanh dài 8 giây, có giá $0.70.